-3 (maxdubium) Latinitas huius rei maxime dubia est. Corrige si potes. Vide {{latinitas}}.
Vide etiam paginam discretivam: Pluto
Pluto cornu copiae tenens.
Index
1Generalis informatio
2Fabula Proserpinae
3Capellum Invisibilem
4Pugna cum Hercule
5References
6Nexus interni
Generalis informatio |
Pluto (-onis, m.), sive Dis Pater, est deus Orci Romanorum mortis, qui nomen sibi in lingua Graeca Hades est. Filius Saturni fuit, ergo frater Iovis, Neptuni, Iunonisque. Proserpinam filiam Cereris in matrimonium duxit; in Orco habitat (sed interdum in monte Vesuvio habitare putatur).
Pluto primo deus divitiarum est, ideo "Dis" (a nomine dives) appellatur. Deus inferorum factus est quod metalla pretiosa sub terra (ubi mortui habitare credebantur) fodiuntur. Quoque autem Dominus Tartari est.
Fabula Proserpinae |
Notissima fabula Plutonis est cum uxorem suam Proserpinam nubivit. Pluto, defixsus sagitta dei Cupidinis, decernit Proserpinam capere et de terra in Tartaro ferre. Juppiter Plutonem iussit ut eam reddat, sed nimis sero erat quod Proserpina iam sex malogranati granos consumpserat. Hoc facto, Proserpinae in Tartarum mensi sex omnibus annis manendum est. Ergo, menses in quibus Proserpina in Tartaro est, ver aestasque sunt, et menses in quibus in terra est, autumnus hiemsque sunt.
Capellum Invisibilem |
Pluto capellum invisibilem habet, quem Vulcanus in bello Titanorum sibi deddit. Pluto in fabula de Proserpina nomine "Kore" in lingua Graeca (verbum quod “virgo” in Latina significat). Quoque in paenum Orphicium Plutoni adparet[1]. Ille quoque parvas commemorationes habet in comoedia Aristophanea "Ranae".
Pugna cum Hercule |
Pluto ad portas Regni Inferi ivit ut portas clauderet et Herculem impediret. Tamen Pluto sagitta Herculis vulnerabatur. Deinde ad Olympum venit ut a Paeane iuvaretur.
References |
↑"ORPHIC HYMNS, TRANSLATED BY THOMAS TAYLOR." Classical E-Text: THE ORPHIC HYMNS 1. N.p., n.d. Web. 17 June 2013.
Tabula multilinguis Rosettana in Museo Britannico ostenditur. Tabula Rosettana, [1] etiam titulo OGIS 90 agnita, est stela decreto de rebus sacris in Aegypto anno 196 a.C.n. lato inscripta. Tabula iuxta Rosettam Aegypti, urbem in delta Nili et ad oram maris Mediterranei iacentem, anno 1799 a milite Francico reperta est. Inventio stelae, linguis duabus scripturisque tribus inscriptae, eruditis Instituti Aegypti statim nuntiata est; ibi enim iussu imperatoris Napoleonis eruditi omnium scientiarum (sub aegide Commissionis Scientiarum et Artium) properaverant cum expeditione Francica. Qua a Britannis mox debellata, tabula Rosettana Londinium missa hodie apud Museum Britannicum iacet. Textus Graecus cito lectus interpretationi textuum Aegyptiorum (in formis hieroglyphica et demotica expressorum) gradatim adiuvit. Denique textum plene interpretatus est Ioannes Franciscus Champollion. Ab opere eruditorum cumulativo coepit hodiernus scripturae hieroglyphicae linguaeque Aegyptiae a...
1
$begingroup$
This is what I mean as document text image: I want to label the texts in image as separate blocks and my model should detect these labels as classes. NOTE: This is how the end result should be like: The labels like Block 1, Block 2, Block 3,.. should be Logo, Title, Date,.. Others, etc. Work done: First approach : I tried to implement this method via Object Detection, it didn't work. It didn't even detect any text. Second approach : Then I tried it using PixelLink. As this model is build for scene text detection, it detected each and every text in the image. But this method can detect multiple lines of text if the threshold values are increased. But I have no idea how do I add labels to the text blocks. PIXEL_CLS_WEIGHT_all_ones = 'PIXEL_CLS_WEIGHT_all_ones' PIXEL_C...
1
$begingroup$
I have this LSTM model model = Sequential() model.add(Masking(mask_value=0, input_shape=(timesteps, features))) model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2, return_sequences=False)) model.add(Dense(features, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) and shapes X_train (21, 11, 5), y_train (21, 5) . Each timestep is represented by 5 features and return_sequences is set to False because I want to predict one 5D array (the next timestep) for each input sequence of 11 timesteps. I get the error ValueError: y_true and y_pred have different number of output (5!=1) If I reshape the data as X_train (21, 11, 5), y_train (21, 1, 5) instead I get the error ValueError: Inva...